Abstract—Due to its various applica

Abstract—Due to its various applications, time-series classifi-
cation is a prominent research topic in data mining and computational
intelligence. The simple k-NN classifier using dynamic
time warping (DTW) distance had been shown to be competitive
to other state-of-the art time-series classifiers. In our research,
however, we observed that a single fixed choice for the number of
nearest neighbors k may lead to suboptimal performance. This
is due to the complexity of time-series data, especially because
the characteristic of the data may vary from region to region.
Therefore, local adaptations of the classification algorithm is
required. In order to address this problem in a principled way by,
in this paper we introduce individual quality (IQ) estimation. This
refers to estimating the expected classification accuracy for each
time series and each k individually. Based on the IQ estimations
we combine the classification results of several k-NN classifiers
as final prediction. In our framework of IQ, we develop two
time-series classification algorithms, IQ-MAX and IQ-WV. In our
experiments on 35 commonly used benchmark data sets, we show
that both IQ-MAX and IQ-WV outperform two baselines.
Index Terms—time series; classification; individual quality (IQ)

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ-เนื่องจากการใช้งานต่างๆของอนุกรมเวลา classifi- ไอออนบวกเป็นหัวข้องานวิจัยที่โดดเด่นในการทำเหมืองข้อมูลและการคำนวณหน่วยสืบราชการลับ ง่ายลักษณนาม k-NN โดยใช้แบบไดนามิกแปรปรวนเวลา(DTW- สนามบิน) ระยะทางได้รับการแสดงที่จะแข่งขันกับคนอื่นๆ รัฐของศิลปะอนุกรมเวลาลักษณนาม ในงานวิจัยของเราแต่เราตั้งข้อสังเกตว่าเป็นทางเลือกที่คงที่เดียวสำหรับจำนวนของเพื่อนบ้านที่ใกล้ที่สุด k อาจนำไปสู่ประสิทธิภาพการทำงานที่ก่อให้เกิดผลลัพธ์ นี้เป็นเพราะความซับซ้อนของข้อมูลอนุกรมเวลาโดยเฉพาะอย่างยิ่งเพราะลักษณะของข้อมูลที่อาจแตกต่างจากภูมิภาคในพื้นที่. ดังนั้นการปรับตัวในท้องถิ่นของขั้นตอนวิธีการจัดหมวดหมู่เป็นที่ต้องการ เพื่อที่จะแก้ไขปัญหานี้ในทางจริยธรรมโดยในบทความนี้เราแนะนำคุณภาพของแต่ละบุคคล (IQ) การประมาณค่า นี้หมายถึงการประเมินความถูกต้องคาดว่าการจัดหมวดหมู่ของแต่ละชุดแต่ละเวลาและk เป็นรายบุคคล ขึ้นอยู่กับการประมาณการ IQ เรารวมผลการจัดหมวดหมู่ของลักษณนามหลาย k-NN เป็นคำทำนายสุดท้าย ในกรอบของไอคิวเราพัฒนาสองขั้นตอนวิธีการจัดหมวดหมู่อนุกรมเวลา, IQ-MAX และ IQ-เวสต์เวอร์จิเนีย ของเราในการทดลองใน 35 ที่ใช้กันทั่วไปชุดข้อมูลมาตรฐานเราจะแสดงว่าทั้งไอคิว-MAX และไอคิวดีกว่าเวสต์เวอร์จิเนียสองเส้นเขตแดน. ดัชนีชุดข้อตกลงเวลา; การจัดหมวดหมู่; คุณภาพของแต่ละบุคคล (IQ)

ผลลัพธ์ (ไทย) 3:

บทคัดย่อเนื่องจากการใช้งานต่างๆของอนุกรมเวลา classifi -
การเป็นหัวข้องานวิจัยที่โดดเด่นในการทำเหมืองข้อมูลและปัญญาเชิงคำนวณ

ง่าย k-nn ลักษณนามใช้แบบไดนามิก
เวลางอ ( DTW ) ระยะทางได้รับการแสดงเพื่อให้สามารถแข่งขันกับรัฐอื่น ๆของศิลปะ
อนุกรมเวลา คือ ในการวิจัยของเรา
อย่างไรก็ตาม เราสังเกตได้ว่าเดียวคงเลือกหมายเลขของ
เพื่อนบ้านที่ใกล้ที่สุด k อาจนำไปสู่การปฏิบัติ suboptimal . นี้
เนื่องจากความซับซ้อนของข้อมูลอนุกรมเวลาโดยเฉพาะอย่างยิ่งเพราะ
ลักษณะของข้อมูลอาจแตกต่างกันจากภูมิภาคในพื้นที่ .
จึงดัดแปลงท้องถิ่นของการจำแนกขั้นตอนวิธี
ที่จําเป็น เพื่อที่จะแก้ไขปัญหานี้ในทางทฤษฎีโดย
ในกระดาษนี้เราแนะนำแต่ละคุณภาพ ( IQ ) ประมาณ นี้
หมายถึงการประเมินคาดว่าความแม่นยำในการจำแนกแต่ละชุดแต่ละ K
เวลาและแบบ ตามประมาณการไอคิว
เรารวมหมวดหมู่ผลลัพธ์ของหลาย k-nn
เป็นคำทำนายครั้งสุดท้าย ในกรอบของไอคิว เราพัฒนาสอง
การจำแนกอนุกรมเวลาและขั้นตอนวิธี iq-max iq-wv . ในการทดลองของเรา
35 มักใช้มาตรฐานชุดข้อมูลที่เราแสดง
ที่ทั้ง iq-max iq-wv outperform และสองเส้น เงื่อนไข
ชุดดัชนีเวลา ; การจำแนก ; คุณภาพของแต่ละบุคคล ( IQ )